Neues Verfahren verbessert Qualität und Datenschutz bei synthetischen Tabellendaten

Forscher haben ein einfaches, modellunabhängiges Nachbearbeitungsverfahren entwickelt, das die Qualität und den Datenschutz synthetischer Tabellendaten deutlich steigert. Durch gezielte Korrekturen fehlender Kategorien und die Entfernung von zu realen Daten ähnlichen Einträgen wird die Übereinstimmung mit den Originaldaten verbessert, ohne die erlernten Zusammenhänge zu zerstören.

Das Verfahren besteht aus zwei Schritten: Zunächst patcht ein Modus-Reparaturmechanismus unterrepräsentierte oder fehlende Kategorien, sodass die synthetische Verteilung realistischer wird. Anschließend filtert ein k‑Nearest‑Neighbor-Ansatz synthetische Datensätze, die zu nahe an echten Daten liegen, und erzwingt damit einen Mindestabstand zwischen realen und künstlichen Beispielen.

In Tests mit zwei neuronalen Generativmodellen – einem Feed‑Forward-Generator und einem Variational Autoencoder – und drei öffentlichen Datensätzen aus den Bereichen Kreditkartentransaktionen, kardiovaskuläre Gesundheit und Einkommensverteilung zeigte das Verfahren signifikante Verbesserungen. Bei moderaten Schwellenwerten zwischen 0,2 und 0,35 verringerte die Nachbearbeitung die Divergenz der kategorialen Verteilungen um bis zu 36 % und steigerte die Erhaltung von Paarabhängigkeiten um 10 – 14 %. Gleichzeitig blieb die nachfolgende Vorhersageleistung innerhalb von etwa 1 % des unverarbeiteten Baselines.

Diese Ergebnisse deuten darauf hin, dass ein gezieltes Post‑Processing die Balance zwischen Datenqualität, Anwendungsnützlichkeit und Datenschutz bei synthetischen Tabellendaten nachhaltig verbessern kann, ohne die Leistungsfähigkeit von Modellen, die auf diesen Daten trainiert werden, zu beeinträchtigen.